Искусственный интеллект в здравоохранении: история развития, термины и понятия, классификации

Актуальность. Искусственный интеллект (ИИ) занимает все более значимое место в современной медицине. Нарастающее число разработанных и зарегистрированных программ, внедренных систем поддержки принятия клинических решений и научных исследований свидетельствуют о качественном переходе технологий ИИ из экспериментальной фазы в фазу практического применения. Вместе с тем отсутствует единая терминологическая база, систематизированная классификация программ ИИ.

Цель: систематизировать терминологический аппарат, классификации и сравнить архитектуры ИИ, ввести и обосновать ряд новых понятий, необходимых для описания современных архитектур программ ИИ.

Материал и методы. Проведен систематический поиск литературы в базах данных PubMed/MEDLINE, Scopus, Web of Science и нормативных базах данных (FDA, EMA). Критерии включения: рецензируемые публикации и нормативные руководящие документы на английском и русском языках (1950–2025 гг.). Для систематизации и классификации терминологии использовался контент-анализ, а для адаптации общепринятых на международном уровне терминов к русскому языку применялся консенсус экспертов.

Результаты. Проведен анализ развития ИИ в клинической медицине и здравоохранении от экспертных систем 1970-х гг. до современных больших языковых моделей и мультимодальных систем. Систематизированы типы архитектур нейронных сетей: сверточные нейронные сети (англ. convolutional neural network, CNN), визуальные трансформеры (англ. vision transformer, ViT), гибридные архитектуры CNN+ViT, рекуррентные сети (англ. recurrent neural network  / long short-term memory, RNN/LSTM) и большие языковые модели (англ. large language model, LLM) на архитектуре трансформера (англ. bidirectional encoder representations from transformer, BERT; generative pre-trained transformer, GPT). Предложена полная классификация современных архитектур нейронных сетей и систем ИИ по модальности, количеству моделей и месту развертывания с практическими рекомендациями по выбору метода. Систематизированы, адаптированы и предложены к стандартизированному использованию в русскоязычной медицинской терминологии понятия «инференс», «одномодельная/мультимодельная система ИИ», «программа компьютерного зрения».

Заключение. Формирование единого терминологического пространства и стандартизированных подходов к классификации и валидации программ ИИ является необходимым условием их безопасного и эффективного клинического применения.

1. Faiyazuddin M., Rahman S.J.Q., Anand G., et al. The impact of artificial intelligence on healthcare: a comprehensive review of advancements in diagnostics, treatment, and operational efficiency. Health Sci Rep. 2025; 8 (1): e70312. https://doi.org/10.1002/hsr2.70312.

2. Alhejaily A.G. Artificial intelligence in healthcare (review). Biomed Rep. 2024; 22 (1): 11. https://doi.org/10.3892/br.2024.1889.

3. Xie Y., Zhai Y., Lu G. Evolution of artificial intelligence in healthcare: a 30-year bibliometric study. Front Med. 2025; 11: 1505692. https://doi.org/10.3389/fmed.2024.1505692.

4. Ламоткин А.И., Корабельников Д.И., Олисова О.Ю., Ламоткин И.А. Эффективность предварительной дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с помощью программы искусственного интеллекта Derma Onko Check. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (2): 261–70. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.294.

5. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Точность предварительной диагностики злокачественных меланоцитарных опухолей кожи с помощью программы искусственного интеллекта. Медицинский вестник ГВКГ им. Н.Н. Бурденко. 2025; 1: 42–51. https://doi.org/10.53652/2782-1730-2025-6-1-42-51.

6. Jerfy A., Selden O., Balkrishnan R. The growing impact of natural language processing in healthcare and public health. Inquiry. 2024; 61: 469580241290095. https://doi.org/10.1177/00469580241290095.

7. Turing A.M. Computing machinery and intelligence. Mind. 1950; 49: 433–60. http://www.jstor.org/stable/2251299.

8. McCarthy J., Minsky M.L., Rochester N., Shannon C.E. A proposal for the Dartmouth summer research project on artificial intelligence, August 31, 1955. AI Magazine. 2006; 27 (4): 12–4.

9. Davenport T., Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019; 6 (2): 94–8. https://doi.org/10.7861/futurehosp.6-2-94.

10. Hadzic M., Fetic S., Azizovic E. Application of the expert systems in artificial intelligence. University Journal of Information Technology and Economics. 2015; 2 (1): 20–6.

11. Rusnok P., Vetterlein T., Adlassnig K.P. Cadiag-2 and fuzzy probability logics. Stud Health Technol Inform. 2009; 150: 773.

12. Kaggal V.C., Elayavilli R.K., Mehrabi S., et al. Toward a learning health-care system – knowledge delivery at the point of care empowered by big data and NLP. Biomed Inform Insights. 2016; 8 (Suppl. 1): 13–22. https://doi.org/10.4137/BII.S37977.

13. Zhou N., Zhang C.T., Lv H.Y., et al. Concordance study between IBM Watson for oncology and clinical practice for patients with cancer in China. Oncologist. 2019; 24 (6): 812–9. https://doi.org/10.1634/theoncologist.2018-0255.

14. Kulikowski C.A. Beginnings of artificial intelligence in medicine (AIM): computational artifice assisting scientific inquiry and clinical art – with reflections on present AIM challenges. Yearb Medical Inform. 2019; 28 (1): 249–56. https://doi.org/10.1055/s-0039-1677895.

15. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks. Adv Neural Inform Proces Syst. 2012; 25: 1097–105. https://doi.org/10.1145/3065386.

16. Sarvamangala D.R., Kulkarni R.V. Convolutional neural networks in medical image understanding: a survey. Evol Intell. 2022; 15 (1): 1–22. https://doi.org/10.1007/s12065-020-00540-3.

17. Корабельников Д.И., Ламоткин А.И. Искусственный интеллект в онкологии: мировой опыт использования и перспективы развития. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (3): 437–47. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.302.

18. Корабельников Д.И., Ламоткин А.И. Искусственный интеллект в дерматовенерологии: сравнительный анализ применяемых программ компьютерного зрения на основе моделей машинного обучения. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (4): 571–81. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.340.

19. Teng C.W., Patel S.D., Barkmeier A.J., et al. Autonomous artificial intelligence in diabetic retinopathy testing – lessons learned on successful health system adoption. Ophthalmol Sci. 2025; 6 (1): 100935. https://doi.org/10.1016/j.xops.2025.100935.

20. Savoy M. IDx–DR for diabetic retinopathy screening. Am Fam Physician. 2020; 101 (5): 307–8.

21. Hedderich D.M., Weisstanner C., Van Cauter S., et al. Artificial intelligence tools in clinical neuroradiology: essential medico-legal aspects. Neuroradiology. 2023; 65 (7): 1091–9. https://doi.org/10.1007/s00234-023-03152-7.

22. Singhal K., Tu T., Gottweis J., et al. Toward expert–level medical question answering with large language models. Nat Med. 2025; 31 (3): 943–50. https://doi.org/10.1038/s41591-024-03423-7.

23. Tomita K., Nishida T., Kitaguchi Y., et al. Image recognition performance of GPT-4V(ision) and GPT-4o in ophthalmology: use of images in clinical questions. Clin Ophthalmol. 2025; 19: 1557–64. https://doi.org/10.2147/OPTH.S494480.

24. Palaniappan K., Lin E.Y.T., Vogel S. global regulatory frameworks for the use of artificial intelligence (AI) in the healthcare services sector. Healthcare. 2024; 12 (5): 562. https://doi.org/10.3390/healthcare12050562.

25. Sharma S. Benefits or concerns of AI: a multistakeholder responsibility. Futures. 2024; 157: 103328. https://doi.org/10.1016/j.futures.2024.103328.

26. Kufel J., Bargieł-Łączek K., Kocot S., et al. What is machine learning, artificial neural networks and deep learning? – Examples of practical applications in medicine. Diagnostics. 2023; 13 (15): 2582. https://doi.org/10.3390/diagnostics13152582.

27. Choudhary A., Pamidimokkala S., R K., R M.B. Impact of natural language processing models on diagnosis and decision-making in healthcare, business, education, and sports: a review. Front Artif Intell. 2026; 8: 1706369. https://doi.org/10.3389/frai.2025.1706369.

28. Mienye I.D., Jere N., Obaido G., et al. Large language models: an overview of foundational architectures, recent trends, and a new taxonomy. Discov Appl Sci. 2025; 7: 1027. https://doi.org/10.1007/s42452-025-07668-w.

29. Simon B.D., Ozyoruk K.B., Gelikman D.G., et al. The future of multimodal artificial intelligence models for integrating imaging and clinical metadata: a narrative review. Diagn Interv Radiol. 2025; 31 (4): 303–12. https://doi.org/10.4274/dir.2024.242631.

30. Ihongbe E.I., Fouad S., Mahmoud F., et al. Evaluating explainable artificial intelligence (XAI) techniques in chest radiology imaging through a human-centered lens. PloS One. 2024; 19 (10): e0308758. https://doi.org/10.1371/journal.pone.0308758.

31. Zhang H., Ogasawara K. Grad-CAM-based explainable artificial intelligence related to medical text processing. Bioengineering. 2023; 10 (9): 1070. https://doi.org/10.3390/bioengineering10091070.

32. Rodríguez-Pérez R., Bajorath J. Interpretation of machine learning models using shapley values: application to compound potency and multi-target activity predictions. J Comput Aided Mol Des. 2020; 34 (10): 1013–26. https://doi.org/10.1007/s10822-020-00314-0.

33. Vimbi V., Shaffi N., Mahmud M. Interpreting artificial intelligence models: a systematic review on the application of LIME and SHAP in Alzheimer's disease detection. Brain Inform. 2024; 11 (1): 10. https://doi.org/10.1186/s40708-024-00222-1.

34. Xie Q., Chen Q., Chen A., et al. Me-LLaMA: foundation large language models for medical applications. Res Sq. 2024; rs.3: rs-4240043. https://doi.org/10.21203/rs.3.rs-4240043/v1.

35. Rashidi H.H., Pantanowitz J., Hanna M.G., et al. Introduction to artificial intelligence and machine learning in pathology and medicine: generative and nongenerative artificial intelligence basics. Mod Pathol. 2025; 38 (4): 100688. https://doi.org/10.1016/j.modpat.2024.100688.

36. Dubiel M., Barghouti Y., Kudryavtseva K., Leiva L.A. On-device query intent prediction with lightweight LLMs to support ubiquitous conversations. Sci Rep. 2024; 14 (1): 12731. https://doi.org/10.1038/s41598-024-63380-6.

37. Podgorelec V., Kokol P., Stiglic B., Rozman I. Decision trees: an overview and their use in medicine. J Med Syst. 2002; 26 (5): 445–63. https://doi.org/10.1023/a:1016409317640.

38. Avram M.F., Lupa N., Koukoulas D., et al. Random forests algorithm using basic medical data for predicting the presence of colonic polyps. Front Surg. 2025; 12: 1523684. https://doi.org/10.3389/fsurg.2025.1523684.

39. Langarizadeh M., Moghbeli F. Applying naive Bayesian networks to disease prediction: a systematic review. Acta Inform Med. 2016; 24 (5): 364–9. https://doi.org/10.5455/aim.2016.24.364-369.

40. Ламоткин А.И., Корабельников Д.И. Сверточные нейронные сети и визуальные трансформеры в диагностике опухолей кожи: сравнительный анализ эффективности моделей искусственного интеллекта в программах компьютерного зрения. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (3): 365–75. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.327.

41. Jagannatha A.N., Yu H. Structured prediction models for RNN based sequence labeling in clinical text. Proceedings of the Conference on Empirical Methods in Natural Language Processing. Conference on Empirical Methods in Natural Language Processing; 2016: 856–65. https://doi.org/10.18653/v1/d16-1082.

42. Maity S., Saikia M.J. Large language models in healthcare and medical applications: a review. Bioengineering. 2025; 12 (6): 631. https://doi.org/10.3390/bioengineering12060631.

43. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Точность предварительной диагностики доброкачественных и злокачественных меланоцитарных опухолей кожи с применением программы искусственного интеллекта для смартфона Derma Onko Check. Медицинский вестник ГВКГ им. Н.Н. Бурденко. 2025; 2: 39–48. https://doi.org/10.53652/2782-1730-2025-6-2-39-48.

44. Корабельников Д.И., Ламоткин А.И. Эффективность применения искусственного интеллекта в клинической медицине. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (1): 114–24. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.287.

45. Brnabic A., Hess L.M. Systematic literature review of machine learning methods used in the analysis of real–world data for patient–provider decision making. BMC medical informatics and decision making. 2021; 21(1): 54. https://doi.org/10.1186/s12911–021–01403–2

46. Uddin S., Haque I., Lu H., et al. Comparative performance analysis of K-nearest neighbour (KNN) algorithm and its different variants for disease prediction. Sci Rep. 2022; 12 (1): 6256. https://doi.org/10.1038/s41598-022-10358-x.

47. Omar E.D., Mat H., Abd Karim A.Z., et al. Comparative analysis of logistic regression, gradient boosted trees, SVM, and random forest algorithms for prediction of acute kidney injury requiring dialysis after cardiac surgery. Int J Nephrol Renovasc Dis. 2024; 17: 197–204. https://doi.org/10.2147/IJNRD.S461028.

48. Zhang L. Features extraction based on Naive Bayes algorithm and TF-IDF for news classification. PloS One. 2025; 20 (7): e0327347. https://doi.org/10.1371/journal.pone.0327347.

49. Seo S., Kim K., Yang H. Performance assessment of large language models in medical consultation: comparative study. JMIR Medical Inform. 2025; 13: e64318. https://doi.org/10.2196/64318.